Data Science – Les fondamentaux

Module 1 – Introduction

Compétences
Science
Machine Learning
Big data
Deep learning
L’apprentissage machine

Module 2 – Les fondamentaux

Approche fonctionnelle de base
Les variables prédictives
Les variables à prédire
Les fonctions hypothèses
Les estimateurs (biais et variances)
Le compromis biais – variance
Les fonctions de perte
La régularisation des paramètres
Optimisation des paramètres

Module 3 – La classification

Régression logistique
Machines à vecteurs de support (SVM)
Arbres de décisions
K plus proches voisins (kNN)

Module 4 – Les pratiques

Prétraitement
Compressions des données
Réglages des modèles

Module 5 – L’apprentissage d’ensembles

Principes de l’apprentissage d’ensemble
Les forêts aléatoires
Le gradient boosting

Module 6 – La régression

Principes de la régression
Explorations des données régressives
Performance des modèles de régression

Module 7 – Le clustering

Les k-moyens (kMeans)
Le clustering hiérarchique

Module 8 + Le Deep Learning

Perceptron
Réseaux neuronaux multicouches (MLP)
Réseaux neuronaux convolutifs (CNN)

Travaux pratiques :
Formation avec apports théoriques, échanges sur les contextes des participants et retours d’expérience pratique du formateur, complétés de travaux pratiques et de mises en situation.